MonitorDefinition Classe
Notes
Il s’agit d’une classe expérimentale qui peut changer à tout moment. Pour plus d’informations, consultez https://aka.ms/azuremlexperimental.
Définition de la supervision
- Héritage
-
azure.ai.ml.entities._mixins.RestTranslatableMixinMonitorDefinition
Constructeur
MonitorDefinition(*, compute: ServerlessSparkCompute, monitoring_target: MonitoringTarget | None = None, monitoring_signals: Dict[str, DataDriftSignal | DataQualitySignal | PredictionDriftSignal | FeatureAttributionDriftSignal | CustomMonitoringSignal | GenerationSafetyQualitySignal] = None, alert_notification: Literal['azmonitoring'] | AlertNotification | None = None)
Keyword-Only Parameters
- compute
- SparkResourceConfiguration
Configuration de ressource Spark à associer au moniteur
- monitoring_target
- Optional[MonitoringTarget]
Objet d’ID ARM associé au modèle ou au déploiement surveillé.
- monitoring_signals
- Optional[Dict[str, Union[DataDriftSignal , DataQualitySignal, PredictionDriftSignal , FeatureAttributionDriftSignal , CustomMonitoringSignal , GenerationSafetyQualitySignal]]]
Dictionnaire de signaux à surveiller. La clé est le nom du signal et la valeur est l’objet DataSignal. Les valeurs acceptées pour les objets DataSignal sont DataDriftSignal, DataQualitySignal, PredictionDriftSignal, FeatureAttributionDriftSignal et CustomMonitoringSignal.
Configuration de l’alerte pour le moniteur.
Exemples
Création d’une définition de moniteur.
from azure.ai.ml.entities import (
AlertNotification,
MonitorDefinition,
MonitoringTarget,
SparkResourceConfiguration,
)
monitor_definition = MonitorDefinition(
compute=SparkResourceConfiguration(instance_type="standard_e4s_v3", runtime_version="3.2"),
monitoring_target=MonitoringTarget(
ml_task="Classification",
endpoint_deployment_id="azureml:fraud_detection_endpoint:fraud_detection_deployment",
),
alert_notification=AlertNotification(emails=["abc@example.com", "def@example.com"]),
)
Azure SDK for Python